Většina dnešních AI nástrojů se snaží být lepším jednotlivcem. Ramanujan zkouší jinou cestu: vezme několik jazykových modelů, rozdělí mezi ně výzkumný problém a výsledek pošle přes nástroje, které umějí matematiku kontrolovat bez dalšího hádání. Nejde tedy jen o chatbota, který napíše plausibilní odpověď. Jde o pokus postavit kolem modelů pracovní postup, ve kterém má každý krok vlastní roli a část výsledku lze ověřit strojově.
Open-source projekt Ramanujan vznikl na začátku září 2026 a jeho autor ho popisuje jako terminálové prostředí pro výzkum výpočetní matematiky. Podle repozitáře na GitHubu kombinuje více modelů, paralelní podagenty, izolované pracovní stromy a nástroje SymPy a Z3. Na Hacker News se projekt objevil jako „Show HN“ 6. září. To je zatím krátká historie, ale právě v tom je jeho zajímavost: ukazuje, jak může vypadat AI systém, který nechce jen odpovídat, ale organizovat práci kolem ověřitelného výsledku.
Nejde o jeden model s kalkulačkou
Ramanujan odděluje jazykovou část od výpočetního enginu. Přední část je napsaná v TypeScriptu a funguje jako terminálový agent. Přijímá zadání, řídí jednotlivé fáze a zobrazuje výsledek. Samotné matematické verdikty ale podle dokumentace nevydává. K tomu spouští samostatný Python engine, který vrací strukturované výstupy.
Toto oddělení je podstatnější, než může na první pohled vypadat. Jazykový model je dobrý v práci s textem, v hledání vzorců a ve formulování hypotéz. Zároveň ale umí přesvědčivě vyrobit chybu. SymPy a Z3 mají opačnou úlohu: nejsou kreativní, ale dokážou provést přesně definovanou symbolickou nebo logickou kontrolu. Ramanujan se snaží tyto vlastnosti spojit, nikoli předstírat, že jeden model zvládne obojí stejně dobře.
V praxi to znamená, že model může navrhnout formalizaci problému nebo kandidátní tvrzení, zatímco výpočetní engine se pokusí najít proti-příklad. U části označované jako kill check projekt podle zdrojového kódu kombinuje omezené vyčerpávající hledání, náhodné vzorkování a kontrolu přes SMT solver Z3. Pokud se proti-příklad najde, následuje další nezávislé ověření pomocí čerstvého parsování v SymPy a přímého vyhodnocení.
Tým modelů má rozdělenou práci
Nejzajímavější částí není samotné použití SymPy nebo Z3. Tyto nástroje existovaly dávno před současnou vlnou agentů. Zajímavé je, jak Ramanujan skládá dohromady celý proces. Jeden krok může připravit přesnou specifikaci úlohy, další projít literaturu, jiné podagenty pracují paralelně na různých cestách řešení a orchestrátor z jejich výstupů sestaví společný report.
Paralelní práce má dvě výhody. Zaprvé umožňuje porovnat několik přístupů bez toho, aby jeden model okamžitě uzamkl celý postup do své první hypotézy. Zadruhé může každý běh zanechat vlastní pracovní strom, rozpočet, deník a další stopu. Výsledek pak není jen poslední text v okně chatu, ale sled kroků, ke kterému se lze vrátit.
Podobný posun je vidět i jinde. Na Radyzu jsme už psali o základní podobě projektu Ramanujan. Jeho delší význam ale neleží v tom, že umí spustit více agentů najednou. Důležitější je, že se pokouší každý model zasadit do procesu s oddělenými pravomocemi, nástroji a kontrolními body.
Výzkumník nebude mít méně práce. Bude mít jiný typ práce
Výzkumník dnes často tráví čas kombinací činností, které samy o sobě nejsou vrcholem vědecké kreativity: hledá relevantní literaturu, přepisuje problém do přesnější podoby, zkouší několik variant výpočtu, kontroluje mezivýsledky a znovu se vrací k tomu, co se nepovedlo. Ramanujan se snaží část této rutiny zorganizovat a zrychlit.
To ale neznamená, že z modelů vzniká automatický matematik. Systém může nabídnout více cest, rychleji odhalit chybu nebo připravit formalizaci, kterou by člověk musel dlouho rozepisovat ručně. Pořád však zůstává na člověku, aby zvolil důležitý problém, posoudil smysluplnost předpokladů a rozhodl, zda výsledek stojí za další práci.
Věda má navíc zvláštní problém: dobrý výsledek není pouze správně provedený výpočet. Musí být také zajímavý, nový a zasazený do správného kontextu. Systém může ověřit, že z daných předpokladů plyne určitý závěr, ale tím ještě neodpoví na otázku, proč by měl někoho zajímat.
Ověření není totéž co důkaz
Tady je potřeba být opatrný. Slovo „ověření“ může znít silněji, než jaký je skutečný dosah nástroje. SymPy ani Z3 samy o sobě neřeší libovolnou matematickou otázku. Pracují s přesně zadaným problémem, omezeným zápisem a konkrétními předpoklady. Když systém nenajde proti-příklad, neznamená to automaticky, že obecné tvrzení dokázal.
Ramanujan je zajímavý právě proto, že tento rozdíl v architektuře alespoň částečně přiznává. Dokumentace odděluje hledání proti-příkladu od jeho následného přezkoumání. Nejde tedy o jednoduché „model něco řekl, nástroj přidal zelenou fajfku“. Jde o pokus vytvořit dvě odlišné cesty, které se musí shodnout, než systém označí tvrzení za vyvrácené.
Pro skutečné formální důkazy existují ještě přísnější nástroje a pracovní postupy. Na Radyzu jsme v této souvislosti psali o registru Palomar a důkazech ověřovaných v Leanu. Ramanujan není náhradou za takový systém. Spíš ukazuje mezivrstvu mezi volným uvažováním modelu a plně formalizovaným důkazem.
Problém nebude nedostatek nápadů
Pokud se podobné systémy rozšíří, výzkum může narazit na opačný problém než dnes. Modely dokážou generovat velké množství hypotéz, variant a návrhů. Nejtěžší nebude vymyslet další možnost, ale poznat, která z nich si zaslouží čas, výpočetní kapacitu a nakonec i lidskou pozornost.
To je přesně okamžik, kdy se mění role výzkumníka. Méně času může připadnout na mechanické procházení prostoru možností a více na výběr správných otázek. Jenže tato změna není automaticky pozitivní. Když tým začne produkovat tisíce návrhů bez dobrého filtru, může se vědecká práce místo zrychlení utopit v další vrstvě šumu.
Proto je důležitá auditovatelnost. Každý výsledek by měl mít dohledatelný původ: jaké zadání dostal, jaké modely pracovaly, jaké nástroje se spustily, s jakými verzemi knihoven a jakým způsobem proběhla kontrola. Ramanujan se o takový provozní základ pokouší pomocí logů, pracovních stromů, rozpočtů a možnosti běh zopakovat.
Ramanujan zatím není důkaz změny vědy
Z dostupných zdrojů ale nelze tvrdit, že Ramanujan už přinesl nový matematický objev nebo že překonává zavedené výzkumné nástroje. Repozitář vznikl teprve nedávno, nemá vydanou stabilní verzi ani nezávislé benchmarky. Neověřil jsem ani kompletní průchod testovací sadou. To nejsou drobnosti, ale důležitá hranice mezi zajímavým návrhem architektury a ověřeným vědeckým systémem.
Přesto má projekt smysl sledovat. Ne kvůli slibu, že několik modelů vyřeší matematiku za lidstvo, ale kvůli otázce, kterou staví do popředí: co musí být kolem jazykového modelu, aby jeho výstup nebyl jen přesvědčivý text? Odpověď podle Ramanujanu zní: více specializovaných rolí, oddělené výpočty, reprodukovatelné běhy a kontrola, která modelu nemusí věřit.
Podobná otázka se bude týkat i dalších oborů. U AI agentů ve vědě už nejde pouze o to, který model odpoví nejlépe. Začíná být důležitější, zda dokáže pracovat s nástroji, přiznat nejistotu, zopakovat vlastní postup a předat výsledek tak, aby ho mohl zkontrolovat někdo další. Právě takové schopnosti se snaží měřit například Terminal-Bench-Science.
Ramanujan tedy zatím nemění práci AI výzkumníků. Ukazuje ale směr, kterým se může měnit: od jednoho modelu, který předstírá univerzální schopnost, k týmu omezených nástrojů, z nichž každý musí svou část práce předvést a nechat zkontrolovat. V matematice je to možná méně efektní než další chatbot. Pro skutečný výzkum to ale může být podstatnější.
